AI 助教，别从 0 搭了：这套开源系统把出题、批改、部署全包了|ai助教|工作流|开源系统|知识库

客户要一个能上传课程资料、自动出题、自动批改的 AI 助教，交付组一评估往往三个月起。难点不在调模型，而在把 RAG、工作流编排、前端后台、部署运维串成一套能交付的系统。CogniLoop 直接把这个完整架子开源出来，还附带一条命令的部署脚本。

◆ 项目简介

CogniLoop 是一个以 AI 驱动的去中心化知识学习社区。用户创建知识库后，系统基于文档内容做 RAG 问答、自适应出题、专业试卷生成、AI 批改，还能根据学习轨迹持续优化出题策略。v2 从原来的"教师-学生"教学管理系统，完全重构成以学习者为中心的开放社区。

一句话：把课程文档喂进去，就能得到一个能出题、能批改、能画像的 AI 助教。

◆ DEMO 1. 一条命令部署，访问就是登录页

交付组最怕的不是没代码，是代码拿到了跑不起来。CogniLoop 提供 install.sh，环境检查、配置下载、密码引导、服务启动一键完成。源码路径更简单：cp .env.example .env 后 docker compose up -d --build，默认 8000 端口。在线演示站的登录页证明这不是半成品，是真实能上线的系统。

curl -fsSL https://raw.GitHubusercontent.com/itsmorninghao/CogniLoop/v2/install.sh | bash

适用：要给客户或内部快速搭一个可私有化部署的 AI 学习平台，不想从 Dockerfile 开始写的团队。首次启动后要通过 Web 向导配置 LLM、Embedding 和 OCR，没模型调用渠道的团队装完也用不动核心 AI 功能。

2. 仪表盘直接看功能矩阵

登录后的仪表盘把核心模块列得很清楚：我的知识库、出题中心、我的试卷、学习圈、我的挑战、公共广场、学习画像、系统管理。对软件公司来说，这意味着交付方案里可以直接照着这些模块给客户讲，而不是自己再脑补一套菜单结构。

适用：做企业培训、在线教育、内部知识考核的团队，需要一套带后台、有用户体系、能管理知识库和测验的完整前端。不适合只需要一个单机脚本或命令行工具的场景。

3. 这不是玩具，能批改带数学公式的题目

很多 AI 出题工具只能处理纯文本，真正落地时试卷里全是公式、图表、手写痕迹。CogniLoop 内置 OCR 接入，支持把 PDF 试卷里的内容识别后交给模型批改。下面这类带函数和符号的选择题，就是它能处理的输入样例。

适用：有纸质试卷或 PDF 讲义需要数字化的培训机构、学校题库团队。OCR 质量依赖配置的模型能力，识别不清的扫描件需要预处理。

4. 开发者最该抄的是它的架构

CogniLoop 对开发者的价值不只是"能跑"，而是看一个真实 LLM 应用是怎么组织的。后端用 LangGraph 编排了五个工作流：quiz_generation（自适应出题）、pro_generation（专业试卷）、grading（批改）、assistant（用户画像）、knowledge_chat（知识库问答）。quiz_generation 内部是 scope_resolver → rag_retriever → profile_analyzer → question_generator → quality_checker，质量问题会重试两次。

RAG 管线更值得细看：Parent-Child 分层切块，parent 块保存完整段落上下文，child 块做向量/关键词混合检索，再经过 RRF 融合、MMR 去重，最后扩展回 parent 并由 LLM 重排序。这套流程可以直接对应到很多知识库产品的检索设计里。

5. 部署前先把协议账算清楚

它的协议是 AGPL，闭源商用或 SaaS 化时源码要开放，老板和法务先过合规这一关。另外 DEVELOPMENT.md 明确写了目前不接受 PR，想深度二开并回馈上游的团队要接受 fork 自己维护的模式。

◆ 项目链接